  |
はてなキーワード: アンサンブルとは
画像を生成するAIによる無断学習や利用を防ぐために、以下のような対抗手段を講じることが可能です。
1.透かし（ウォーターマーク）の埋め込み:
画像に目に見えるまたは見えない透かしを入れることで、無断利用や生成AIの学習に対して抑止効果を期待できます。特に、目に見えない形で画像データに暗号的な透かしを埋め込む「デジタル透かし」技術が有効です。
画像データに著作権情報や「AIによる無断学習を禁止する」といったメタデータを埋め込み、ウェブサイトには robots.txt ファイルで画像クローラーのアクセスをブロックする設定を追加します。これにより、クローリングや収集の抑制が期待できます。
ステガノグラフィを用いて、画像に気づかれにくい形で識別情報を隠すこともできます。これにより、画像の流出経路や利用先を追跡でき、無断利用の発見に役立てることができます。
4.法的な警告表示や利用ポリシーの明示:
ウェブサイトや画像の配布先に、AIによる無断利用や学習を禁止する旨の法的警告や利用ポリシーを明示することも有効です。利用条件をはっきりと示すことで、AI企業や研究者が慎重になる可能性が高まります。
AIが利用しにくいように、画像に人間には気づきにくいパターンやノイズを挿入する技術もあります。たとえば、AIにはノイズとして認識されるが、人間には問題なく見える小さな変形やカラーパターンを追加することで、AIによるデータ学習が困難になる場合があります。
生成AIの学習を混乱させるための手段には、以下のような方法が考えられます。
1.ノイズや歪みの追加:
画像に目立たない程度のノイズや歪みを加えることで、アノテーションモデルが境界や特徴を正確に認識しにくくする手法です。たとえば、ピクセルレベルでランダムなノイズを追加する、わずかに画像をぼかす、あるいは境界線付近に小さな変化を加えるといった手法が有効です。
アノテーション処理は、対象物の輪郭や特徴を正確に捉えることが重要です。そのため、背景や対象物の輪郭にわずかな不規則性を加えることで、アノテーションツールが対象物の境界を正確に判断しにくくすることができます。たとえば、背景に模様や偽の輪郭を挿入する方法です。
画像に人間には視認しづらい形でテキストやラベルを埋め込むと、AIのアノテーションプロセスが混乱する場合があります。これにより、AIが意図しない領域を注視することがあり、誤認識を誘発します。
4.色や明るさのランダム変化:
画像の色や明るさを部分的に変化させ、一定のパターンを持たないようにすることもアノテーション処理の混乱を招く一手です。これは、オブジェクトの検出や認識が色や明暗の差異に依存している場合に有効です。
5.擬似的なオブジェクトの追加:
画像内に小さな擬似的なオブジェクトや模様を追加することで、AIがそれらを誤って主要なオブジェクトと認識し、アノテーション精度が低下する可能性があります。特に、背景に似たオブジェクトを散りばめることで、AIはどの部分が対象なのか判断しにくくなります。
AIの認識を誤らせるために用いられる「アドバーサリアル（敵対的）な例」を使う方法もあります。特定のピクセルパターンや色の配列を配置することで、AIのアノテーションが意図的に誤作動するよう誘導できます。この技術は深層学習モデルに対して特に効果があります。
画像全体にわずかなカモフラージュパターンを重ねることで、AIの認識を混乱させる方法です。この手法では、人間が見た場合には問題なく認識できるものの、AIが対象を捉える際に誤って検出するようなパターンを画像に追加します。
・思考実験として、danbooruなどアノテーションの元データとして使われているサイトのタグが荒られたら画像生成AIのモデル作成にダメージはありますか？
思考実験として、Danbooruといったアノテーション元データのタグが荒らされた場合、画像生成AIのモデル作成に与える影響は以下の通りです。
Danbooruは、イラストや画像に対して詳細なタグが付与されており、これらのタグ情報は画像生成AIの学習にとって非常に重要です。タグが荒らされることで、画像とタグの対応関係が崩れ、モデルが正確な特徴を捉えにくくなるため、生成精度が低下します。
例えば、特定のキャラクターやテーマに関連するタグが荒らされ、誤った内容のタグが付与されると、モデルはその誤った情報を学習し、キャラクターの特徴や設定が再現されにくくなる可能性があります。
タグが荒らされると、モデルの訓練にノイズデータが増えるため、学習効率が悪化します。たとえば、「黒髪」のタグが誤って「金髪」などに変更された場合、モデルは同じ画像に対して異なる特徴を学習することになり、結果として生成画像の一貫性が失われることが考えられます。
また、同じ画像に異なるタグが付与されることで、モデルが過学習や誤学習を引き起こし、生成された画像が本来の意図からかけ離れたものになる可能性もあります。
Danbooruでは、特定のキャラクターやアートスタイルを識別するタグが多く存在します。これらが荒らされると、特定のキャラクターやスタイルのデータが混乱し、モデルが正確にキャラクターの特徴を把握できなくなるため、ユーザーが期待する生成結果が得られにくくなります。
例えば、あるキャラクターのタグが「髪型」「服装」「色彩」などで荒らされると、そのキャラクターの再現が曖昧になり、モデルが正しいビジュアルを生成できなくなることがあります。
タグが荒らされると、データセット全体の信頼性が低下します。信頼性の低いデータをもとに学習したモデルは、特定の条件で異常な出力を生成することが多くなり、モデル全体の品質が低下します。これは、生成AIが学習中に「どの情報を信頼すべきか」を判断できなくなるため、生成結果が不安定になったり、多様性が失われたりすることが考えられます。
AIモデルを利用するユーザーは、タグを通じて希望する画像を生成したり、条件に合った画像を探します。タグが荒らされると、AIモデルの検索・フィルタリング機能の精度も低下し、生成プロンプトが期待通りに機能しなくなる可能性があります。たとえば、「風景」タグが荒らされ、異なるジャンルの画像が混入するようになると、風景画像を生成したいユーザーの要求が満たされにくくなります。
Danbooruなどのタグが大規模に荒らされた場合、生成AIモデルの精度低下や一貫性の欠如が発生しやすくなり、特にキャラクターや特定のスタイルに依存する画像生成モデルに大きなダメージを与える可能性が高いです。
すでに学習済みのモデルを使って汚染されたデータのクレンジングや異常値検出を行うなど対策される可能性がありますが、それらを阻害する手段はありますか？
無断での学習を妨害し、学習コストを増加させるために、上記の方法を阻害する手法には以下のようなアイデアがあります。これらの手法は、意図的にデータセットの品質や一貫性を崩すことで、学習モデルの精度を低下させ、データクレンジングや異常値検出のプロセスを複雑化することが目的です。
意図的に誤ったタグや無関係なタグを画像データに付与し、データセットの信頼性を低下させます。これにより、転移学習やラベルノイズ検出が困難になり、正確な特徴量を学習するコストが増加します。
例えば、キャラクター画像に全く無関係なタグ（「動物」や「風景」など）を追加することで、モデルがどのタグが信頼できるか判別しにくくなり、誤ったラベルがノイズとして学習されるリスクが増えます。
2. 特徴量をぼかす／微妙な変更を加える
特徴量ベースのクレンジングや類似度分析に影響を与えるため、画像の特徴がわずかに異なるように加工を施します。具体的には、色調を微妙に変える、ランダムなピクセルの位置でノイズを追加する、または特定の部位を意図的にぼかすことで、モデルが抽出する特徴量の安定性を低下させます。
この方法により、同じキャラクターやスタイルであっても類似度分析が困難になり、正確なクレンジングが行いにくくなるため、データ処理のコストが増加します。
特徴が異なるバリエーションや擬似的な異常データを大量に追加することで、異常検出アルゴリズムの信頼性を下げます。たとえば、キャラクターのデザインや背景を少しずつ変えた画像を意図的に作成することで、異常値検出が頻繁に誤検出されるようにします。
こうしたデータが混在することで、オートエンコーダーやアンサンブルモデルを使った異常検出が混乱し、正確な異常サンプルの抽出が困難になります。
4. 高頻度で微小なラベル変更を行う
学習済みモデルの転移学習やラベルノイズ検出を阻害するために、同じ画像に対してラベルを定期的に変える手法です。微小な変更を行うことで、モデルは正しいラベルを安定的に学習することが難しくなり、モデルの信頼性が低下します。
例えば、ラベル「黒髪」を「暗めの髪」や「濃い色の髪」などに頻繁に切り替えることで、学習に不確実性を持ち込むことが可能です。
データセット内で非常に類似した画像を複数の異なるタグで登録することで、モデルの学習を混乱させます。特定のキャラクター画像を少しずつ変化させて複数のタグを付けると、モデルは「どのタグがどの特徴に対応しているのか」を判別しにくくなり、データセットのクレンジングが複雑化します。
特に、タグの一貫性が失われるため、類似度分析やアンサンブルモデルによる異常検出の効果を低下させることが期待できます。
AIモデルが認識を混乱させるように、アドバーサリアルノイズ（敵対的な例）を追加します。人間にはほとんど気づかれないレベルのノイズを画像に追加し、モデルが特定の特徴を正確に認識できないようにすることができます。
このノイズにより、モデルの特徴量ベースの学習が混乱し、意図した通りに学習できないため、クレンジングの精度も低下し、データ処理の手間が増加します。
特定のルールではなくランダムにタグをつけたり、特定のカテゴリ間でランダムにラベルを入れ替える方法です。これにより、ラベルと画像の関連性が薄れ、アノテーションの一貫性が失われます。この乱数による偽ラベルの付与は、ラベルノイズ検出やアノマリー検出において、真のラベルを見極めるコストを大幅に増加させます。
まとめ
これらの手法は、AIの学習やクレンジングを意図的に妨害し、無断学習にかかるコストを増加させるために有効です。特に、「微小な変更」や「アドバーサリアルノイズの付与」といった手法は、見た目の品質に影響を与えずにモデルにノイズを持ち込むため、非常に効果的です。
『355』（スリーファイブファイブ[4]、The 355）は、2022年のアメリカ合衆国のスパイ映画。テレサ・レベックとサイモン・キンバーグが共同で執筆した脚本を、サイモン・キンバーグが監督した。出演はジェシカ・チャステインとペネロペ・クルスなど。タイトル及び作中のスパイチーム名の「355」とは18世紀のアメリカ独立戦争時代に実在したパトリオット側の女性スパイエージェント355（英語版）にちなむ[5]。
ユニバーサル・ピクチャーズから2022年1月7日に公開。日本ではキノフィルムズ
『AVA/エヴァ』（Ava）は、2020年のアメリカ合衆国のアクションスリラー映画。テイト・テイラーが監督し、マシュー・ニュートン（英語版）が脚本を執筆した。出演はジェシカ・チャステイン、ジョン・マルコヴィッチ、コモン、ジーナ・デイヴィス、コリン・ファレル、ヨアン・グリフィズ、ジョアン・チェンなど。女性暗殺者と彼女を陥れた組織の幹部との闘いを描いている[4]。
2020年7月2日にハンガリーで公開された後、本国米国では同年9月25日にヴァーティカル・エンターテインメントの配給で公開された。
『ARGYLLE/アーガイル』（原題：Argylle）は、2024年のイギリスとアメリカ合衆国の合作によるスパイコメディ映画。
製作・監督はマシュー・ヴォーンで、ジェイソン・フックス（英語版）が脚本を担当した。ヘンリー・カヴィル、ブライス・ダラス・ハワード、サム・ロックウェル、ブライアン・クランストン、キャサリン・オハラ、デュア・リパ、アリアナ・デボーズ、ジョン・シナ、サミュエル・L・ジャクソンからなるアンサンブル・キャストが出演している。
『コードネーム U.N.C.L.E.（アンクル）』（原題: The Man from U.N.C.L.E.）は、2015年の英米合作のスパイ・アクション映画。
『オペレーション・フォーチュン』は、2023年のアメリカ合衆国のスパイ映画。本作は、ガイ・リッチーが共同脚本・監督を務め、ジェイソン・ステイサムが主演する[1]。また、ステイサム以外にもオーブリー・プラザ、ジョシュ・ハートネット、ケイリー・エルウィス、バグジー・マローン（英語版）、ヒュー・グラントが出演する。
『アメリカン・アサシン』（American Assassin）は、2017年のアメリカ合衆国のアクション映画。監督はマイケル・クエスタ、主演はディラン・オブライエンが務めた。本作はヴィンス・フリンが2010年に上梓した『American Assassin』を原作としている。
『ケープタウン』（Zulu）は、2013年のフランス・南アフリカ共和国合作のクライム映画。原作はキャリル・フェレ（フランス語版）、監督をジェローム・サル、主演をオーランド・ブルームとフォレスト・ウィテカーが務めた。
『エンド・オブ・ホワイトハウス』 続編2本あり
『ブリックレイヤー』（原題：The Bricklayer）は、2023年制作のアメリカ合衆国のアクション映画。
元・FBIという経歴を持つ小説家のポール・リンゼイが「ノア・ボイド」名義で発表した小説『脅迫』（The Bricklayer）をレニー・ハーリン監督、アーロン・エッカート主演で映画化[5]。
『ラストスタンド』（原題: The Last Stand）は、キム・ジウン監督による2013年のアメリカ合衆国のアクション映画。『ターミネーター3』以来十年ぶりとなるアーノルド・シュワルツェネッガーの主演作品であり、韓国映画を今まで担当してきたキム・ジウンにとっては初めてのアメリカ映画でもある[4]。
『ボーダーライン』（Sicario）は、2015年のアメリカ合衆国のアクションサスペンス映画。監督はドゥニ・ヴィルヌーヴ、主演はエミリー・ブラントが務める。原題のSicarioとはスペイン語で『殺し屋』の意。
＊別監督による続編あり
決定木は、質問を使って答えを見つけるゲームのようなものです。木の形をした図を使って、質問と答えを整理します。例えば、「今日は外で遊べるかな？」という大きな質問から始めます。
まず「雨が降っていますか？」と聞きます。「はい」なら「家で遊ぼう」、「いいえ」なら次の質問に進みます。次に「宿題は終わっていますか？」と聞きます。「はい」なら「外で遊ぼう」、「いいえ」なら「宿題をしてから遊ぼう」となります。
このように、質問を重ねていくことで、最終的な答えにたどり着きます。決定木は、こうした「もし〜なら」という考え方を使って、物事を順序立てて考えるのに役立ちます。
決定木は、機械学習における重要な分類・回帰アルゴリズムの一つです。データを特定の特徴に基づいて分割し、ツリー構造を形成することで、新しいデータの分類や予測を行います。
4. 枝：各ノードを結ぶ線、条件を表す
2. その特徴に基づいてデータを分割
3. 各サブセットに対して1と2を再帰的に繰り返す
4. 停止条件（深さ制限や最小サンプル数など）に達したら終了
決定木の利点は、解釈が容易で直感的であること、非線形の関係性も捉えられること、特徴量の重要度を評価できることなどです。一方で、過学習しやすい傾向があり、小さなデータの変化に敏感に反応する欠点もあります。
決定木は、分類および回帰問題に適用可能な非パラメトリックな監督学習アルゴリズムです。特徴空間を再帰的に分割し、各分割点で最適な特徴と閾値を選択することで、データを階層的に構造化します。
決定木の構築プロセスは、以下の数学的基準に基づいて行われます：
ここで、H(S)はエントロピー、Svは分割後のサブセット、piはクラスiの確率、yiは実際の値、ŷiは予測値を表します。
1. 事前剪定（Pre-pruning）：成長の早期停止
2. 事後剪定（Post-pruning）：完全に成長した木を後から刈り込む
決定木の性能向上のために、アンサンブル学習手法（ランダムフォレスト、勾配ブースティング木など）と組み合わせることが一般的です。
決定木は、特徴空間の再帰的分割に基づく非パラメトリックな監督学習アルゴリズムであり、分類および回帰タスクに適用可能です。その理論的基盤は、情報理論と統計学に深く根ざしています。
決定木の構築アルゴリズムとして最も一般的なのは、CART（Classification and Regression Trees）です。CARTは以下の手順で実装されます：
決定木の拡張：
これらの高度な手法により、決定木の表現力と汎化性能が向上し、より複雑なパターンの学習が可能となります。
決定木は、特徴空間Xの再帰的分割に基づく非パラメトリックな監督学習アルゴリズムであり、その理論的基盤は統計的学習理論、情報理論、および計算学習理論に深く根ざしています。
決定木の数学的定式化：
Let D = {(x₁, y₁), ..., (xₙ, yₙ)} be the training set, where xᵢ ∈ X and yᵢ ∈ Y. The decision tree T: X → Y is defined as a hierarchical set of decision rules.
For classification: P(y|x) = Σᵢ P(y|leaf_i) * I(x ∈ leaf_i)
For regression: f(x) = Σᵢ μᵢ * I(x ∈ leaf_i) where I(·) is the indicator function, leaf_i represents the i-th leaf node.
決定木の最適化問題： min_T Σᵢ L(yᵢ, T(xᵢ)) + λ * Complexity(T) where L is the loss function, λ is the regularization parameter, and Complexity(T) is a measure of tree complexity (e.g., number of leaves).
H(Y|X) = -Σᵧ Σₓ p(x,y) log(p(y|x))
I(X;Y) = H(Y) - H(Y|X)
2. ジニ不純度：
Gini(t) = 1 - Σᵢ p(i|t)²
MSE(t) = (1/|t|) * Σᵢ (yᵢ - ȳ_t)²
1. 一致性と収束速度： 決定木の一致性は、Breiman et al. (1984)によって証明されました。収束速度はO(n^(-1/(d+2)))であり、dは特徴空間の次元です。
2. バイアス-バリアンストレードオフ：深い木は低バイアス・高バリアンス、浅い木は高バイアス・低バリアンスとなります。最適な深さは、バイアスとバリアンスのトレードオフによって決定されます。
3. 決定木の表現力：任意のブール関数は、十分に深い決定木で表現可能です。これは、決定木がユニバーサル近似器であることを意味します。
4. 計算複雑性理論：最適な決定木の構築はNP完全問題であることが知られています（Hyafil & Rivest, 1976）。そのため、実用的なアルゴリズムは貪欲な近似アプローチを採用しています。
5. 正則化と構造リスク最小化：L0正則化（葉ノード数のペナルティ）やL2正則化（葉ノードの予測値に対するペナルティ）を用いて、構造リスク最小化原理に基づいたモデル選択を行います。
6. 情報幾何学的解釈： 決定木の学習過程は、特徴空間上の確率分布の漸進的な分割と見なすことができ、情報幾何学の観点から解析可能です。
7. カーネル決定木：非線形カーネル関数を用いて特徴空間を暗黙的に高次元化し、より複雑な決定境界を学習する手法です。
8. 量子決定木：量子コンピューティングの原理を応用し、古典的な決定木を量子系に拡張した手法です。量子重ね合わせを利用して、指数関数的に多くの分岐を同時に評価できる可能性があります。
これらの高度な理論と技術を組み合わせることで、決定木アルゴリズムの性能と適用範囲を大幅に拡張し、より複雑な学習タスクに対応することが可能となります。
俺は学生時代からずっと楽器をやってて、社会人になっても惰性で続けていた。
楽器は、単音楽器だ。だからひとりでやっても音楽として完結しにくいしあんまり面白くない。だから、いつも何かしらのバンドに所属していた。
バンドといっても、ロックバンドのような4ピースバンドとかそんな感じの規模感のものではない。
ビッグバンドとかスカバンドとか吹奏楽とかオーケストラとかそう言うイメージ。
俺は社会人になってから、いつも平メンバーとしてどこかしらのバンドに所属し、たまに雑務をやることもあったが、大体はただプレイヤーとして参加していた。
地方のこの界隈では俺は割とプレイングスキルがある方で、プレイヤーとして重宝されがちだった。
その一方で俺はめちゃくちゃコミュ障で、活動後の飲み会とかはあんまり参加しないor参加してもすみっこで延々と生ビールを舐めてるだけだった。
ただ、活動の時は割と大人数の中でも目立つくらいに「上手い側」の人間だったからか、そんな感じでも声をかけてくれる人がいたり慕ってくれる人がいたりした。
楽器自体はもちろんアクティビティとして好きだったが、それ以上に対人スキルがなくても人と接するツールとして重要だった。仕事が忙しくてなかなか時間が取れないとき、辞めようと思うこともあったが、そのことを思うと辞められなかった。半ば惰性になっても、続けていた。
20代も後半に差し掛かった頃、ネットで新たにバンドメンバーの募集があった。
そのバンドはこれから新規で立ち上げるバンドだそうで、設立メンバーを募集していた。
そして、そのバンドがやるジャンルが、俺がずっとやってみたかったジャンルだった。
おもえば、長い年月ですっかり忘れていたけど、これがやりたくて、この楽器を手に取ったんだった。そんなジャンルだった。
俺は今までになく熱量を持って応募した。
ジャンルが珍しかったためか、楽器経験はあるがバンド経験がないという人は多かった。このバンドの発起人自身もそう言う人で、とても驚いた。大人になってから楽器を始めた初心者もいた。
楽器経験も長く、バンドもいくらか経験があった俺は、右も左も分からないその烏合の衆に頼られて、俺は初めて「運営側」となってバンドに参加することになった。
運営側って大変だった。
これまで平メンバーとして参加していたバンドで、何となく知ったことや、耳に入ってきたこと、実際自分がやってきたこと、それらの知識を総動員して運営して行った。
まずは実務の部分。最初に会計の整備、予算をざっくり出して会費などが決まったら、名簿や規約の整備、活動会場の選定や手配、地域の施設を利用するための組織登録、連盟(社会人サークルの互助会のようなもん)への登録申請。
ある程度軌道に乗ったら、広報活動。SNSやWebサイト、チラシなどの運用。メンバーはまだまだ足りなかったので、かき集めなければならなかった。募集要項のとりきめ。
演奏が様になってきたら、次は披露する場を設けたい。公民館はその手のイベントを各週末にやるために奔走してる場合が多いので売り込み。他にも自主開催のために箱を手配。また会計、広報、そして楽曲の利用許可申請。
珍しいジャンルのバンドだったためか、ズブの素人から俺のように経験が長いのもいたし、セミプロみたいなのも入ってきて、メンバーはカオス状態だった。
俺はプレイングの面でもメンバーを引っ張って行かなければならなかった。
まず、ガンガン高難度の楽曲に挑戦したい人、易しい楽曲を楽しく演奏したい人、それらの要望をなるべく公約数化してセットリストを作成。もちろん著作権などの権利的に可能な範囲におさめなければならない。
そして、できるひと、できないひと、その人の得意なこと、苦手なこと、把握して、アンサンブルの整理と調整。
俺が今まで1プレイヤーとして肌感覚でやってきたことを言語化したり、音楽理論として頭に入っていることをわかりやすく噛み砕くなどして、わからない人にも伝える。そして、俺よりウエの腕っぷしの人からは、吸収したり、教えてもらったり。
メンバーたちの不満の聞き取り。あの曲は難しすぎて苦痛とか、今回のセットリストは好きな曲が少なくてしんどいとか、あの人の演奏は不快だとか、あの人が臭くてとなりで演奏するのが苦痛とか。
要望の聞き取りもした。こんな音楽や楽曲やってみたいと言う話から、合宿をしたい、BBQをしたい、とかそんなことも。
運営は大変だった。
俺には向いてないな、なんて思うこともいっぱいあった。
でも、ここでは俺がやりたかった音楽ジャンルができる。ずっとやりたかった音楽ができる。そのためなら、円滑に運営を転がすために、そしてできる限り良い演奏をするために、できることはなんでもやった。
色々やっていく中で、俺は成長した。
俺はいままで、「趣味は音楽」と言ってきたが、そうで無かったことに気づいた。俺が今までやってきたのはアクティビティとしての楽器に過ぎなかった。
生まれも育ちも暮らしも楽器経験も年齢も性別も違うまわりの人たちと一緒に、できるだけ「みんなが」納得できる演奏をするために必要な調和。その結果出力される演奏が、音楽だった。と、個人的な感想を得た。
これは、
ぶつかることは多いし、納得ではなく妥協を求めることも求められることもあるし、
アクティビティとしての楽器演奏より、だいぶ不快で、難解で、不合理で、不条理で、とても楽しかった。
次に、対人コミュニケーション能力の向上。
立場上、大きなものから些細なものまでメンバー同士のトラブルに第三者として接する機会が多かった。
コミュ障でもできる相手vs自分のとりあえず共感だけしておけばそれなりに円滑に進む(し円滑にならなかったら切れば良い)人間関係とは違って、
生々しい本音と建前と解決課題がある他人vs他人の関係に目をくばせ時にバンドのために(と言う立場で)口を挟まねばならない状況で、人の心の機微というか、人間の本質のようなものをたくさんインプットした。
このインプットによって、アウトプット＝俺の対人技術も、それなりに向上したように思う。
ところで俺は社会人になってずっと、一日VSコードを触るタイプの仕事をしていた。言われたことを淡々とこなすだけと言って差し支えない仕事をしていた。
30にも差し掛かると、同じ会社に居座るにしても転職するにしても、ディレクション側というか、マネジメント側というか、そういう立場への進化を求められる気配がする。
ずっと「無理だなー嫌だなー俺には向いてないしなーでも一生ドカタの最前線(というほど先進企業でもないが)で新しい技術や言語を身につけていかなければならないのもつらい」と思いながらグダグダとitドカタをやっていた。
しかし、昨年、この「趣味」の経験から、「なんかいけそうじゃね？」と思えて、一歩踏み出すことができた。
ほかにも、このバンドで恋人もできた。今までの俺の、卑屈で根暗で斜に構えた人生では望むべくもないような、
強く優しく気立てが良く、心の底を打ち明けられる素敵な恋人ができた。
思えば、俺は趣味自体はずっともっていたわけだが、このように「自分が本当にやりたい音楽ジャンル」に触れた瞬間、人生がこのように切り開いた。趣味も突き詰めれば自分の人生の糧となる。
趣味は素晴らしいよ。はてなのみんなも、斜めや上から構えたはてな特有のセンテンスで集めたスターも確かに人生の素晴らしい糧ではあるが、
外に出て人と接する趣味もまた良い。
githubでなにか作ったものをアップロードするのは、自分向きではないことに気がついた。
私が仕事で作っているようなwebアプリケーションというのは、誰でも使える一般性の高いものではなく、もっと特定のビジネスに依存した特殊なものである。
だから一般的な誰でも使えるようなものを作るというのにはあまり慣れていないのだ。
なにか作る場合はkaggleのほうが遊び場として向いていると思っている。
kaggleで「コンペ」に参加するつもりはないし、あれはBERTが出現したぐらいからは、少なくともNLP(自然言語処理)界隈は不毛な場となってしまった。
指標があれば不毛なハックがある。それが現実というものである。
それに業務で実用レベルで使えるモデルというのは、もっと運用のしやすいシンプルなモデルである。
モンスターアンサンブルで精度がSOTAでーすピロローン！なんてことには興味がないが、コンペはそれを目指している。
ではなぜkaggleが良いかと言うと、データセットが転がっていて、notebookも簡単に作成できるからである。
「このデータをこうやって使うとこういうツールが作れる」「このデータをこうやって分析するとこういう知見が得られる」というのは、「web開発用のMVCフレームワークを作ります」よりも具体性がある。
そして特定のデータに対するモデリングをするために論文を調べるようなことになった場合は、勉強にもなる。
私は昔、自然言語処理のブログを書いていたが、実験したことのコードを載せるタイプの記事が多かった。
ところが自称データサイエンティストや自称NLPエンジニアがツイッター上で「ゴミのようなブログを書くな」と言っていて、自分が言われている気がして怖くなったのでブログを閉鎖した。
そういう「政治おじさん」との接触を最大限減らすには、ブログというフォーマットではダメだと思うわけである。
私のマグカップには"Talk is cheap, show me the code."と書かれている。
これはリーナストーバルズの名言だが、政治おじさんが近寄らない場所というのは、具体的なコードが存在する場所であると言えよう。
てか、裏拍取れない人は一般的にリズム音痴と言われるが、逆に言えばそういう分類が成り立つ程度に、
ほとんどの人は裏拍の感覚を生まれつき持ってるんだから、それを伸ばすべき。
そのほうがアンサンブルとかセッションでも合いやすいし、歌も楽器も上達しやすい。
こんなことを書いたのは、ヴァイオリンを筆頭に一部の楽器は、伸ばしの音符が来るたびに
細かい音符に分割して「カウントを取る」ことで適正な長さを確保するのがセオリーになってしまっているから。
そういう杓子定規で融通が効かず、かつ歌や他の楽器と違うことやられると迷惑だからやめてほしいんだわ。
いつまで経っても合わない上に、しまいにはリズム感ゼロのお前に合わせてあげて、鈍重でダサいサウンドが出来上がるとか勘弁。
ヴァイオリンなんかはオケでもストリングスでも最大多数だから周囲から黙認されているように見えるけど、実際のところお前ら以外は納得してないからな？
────────────
あらかじめご理解いただきたいが、タイトルで承認欲求たっぷりにブラック企業と図々しく書いたが、これは読者を引き寄せるための所謂YouTuberのサムネ詐欺のようなものである。実際はブラック企業ではあるもののどちらかというとチャコールグレーに近い黒ではあったし、ネットの死海を彷徨っているともはや仙人の域ともいえる黒い賢人がおられることも承知しており、賢人たちには同じ黒魔法の使い手(見習い)として畏敬の念すら抱いている。ブラック企業の文字を見て頭に血が昇り始めた賢人たちはどうか落ち着いて、できるだけ部屋を明るくして離れて見てほしい。
────────────
さて、本題に入る。
私は平成初期生まれのゆとり世代で、一応大手企業に勤めている。特定の分野での業界シェア率50%超、従業員1000人以上の上場企業と言えばなんとなくイメージがつくだろうか。前になんかの日本の企業ランキング50位以内に入っていた気がするが、ランク内がホワイト企業ばっかりで辟易したため覚えていない。給料は同世代の平均くらいといったところで可もなく不可もない。
勤務時間は平均するとだいたい8-21時。みなし残業はついているが基本的にサビ残だZE☆。休みは本当は週休2日だが休日出勤も多く、代休制度はあるがそんなもん取ったら業務がマーライオンのように溢れてくる。
仕事は自分の裁量で回せることがほとんどになってきたしやりがいも多少あるし、勤務時間に関しても別に慣れてしまったからあまり問題視していない。今から転職しようにもキャリアアップが望める業界ではないし、他業種で一からお世話になるのも正直面倒くさい。
私は妻と2人の子供がいるが、帰宅したらだいたいみんな寝ている。嫁からは「あなたが仕事の日はシングルだと思ってるから大丈夫」と素直に感謝していいのかわからない言葉を向けられている(素直に感謝している)。
家に帰ったら軽くご飯を食べ風呂に入りTwitterやネットの記事を少し読んだらあらまぁ大変もう0時。就寝して5時半に起きて子供たちを送り出してまた8時には出社している。
しかし時代の流れもありここ数年で会社の考え方が変わってきたらしく、残業に対して厳しくなってきた。
初めは何時まで働こうがおかまいなしだったが、退社目標時間が定められ、それが21時から20時になり、段階を経て今では目標時間を超えるとお叱りをいただくようになった。
もちろん勤務時間内に仕事が片付くはずもないのだが、それを書き始めるとただの愚痴の大運動会になってしまうのでやめておく。我々サラリーマンは常に会社と共に変化していかなくてはいけない生き物なのだ(白目)。
退社時間が早まり、帰宅して家族と過ごす時間が増えた。みんなでご飯を食べたり、お風呂に入ったり、テレビを観たり。娘とお風呂に入りながら、あと何年一緒に入ってくれるのかなんて考えたりもした。いやひょっとしたらあと何ヶ月とかかもしれない。なんだよこのシャワーの水、しょっぺぇな。
最初の頃は勤務時間内に捌けなかった仕事を家でやることも多かったが、徐々に捌けるようになったのか諦めるようになったのか、それも減ってきた。
それが数ヶ月続いた頃、ある悩みが生まれた。
「寝るまで何をしたらいいんだろう」
機械的に日課をこなしていた日々に空白の時間が降ってきたせいで、その空白の埋め方がわからない。
趣味はあるが広く浅く熱しやすく冷めやすいタイプでありそこそこケチなためどれも長続きしないし、新しい趣味を始めたとしても長続きするビジョンも視えない。加えて変な美学も持っている。例えば私はむかし音楽をやっていて今も家に楽器はあるが、音楽は複数人の魂を共鳴し合うアンサンブルなりグルーヴを楽しむものとかいうわけのわからない固定概念があり、一人でしかも自宅での演奏ではアッパシオナートな時間を過ごすことなど到底できない。
出かけようにもそこそこの田舎なので娯楽施設も限られているし、買い物もネットで充分。運動しようにも膝を痛めているし(病院行け)、ゲームするとクリアするまで廃人みたいな生活になるし、酒は好きだがあまり強くないし、酒そのものよりは酒の場が好きなので一人で飲んでもすぐ寝てしまう。新しいことを始めようにも何かにつけて難癖つけてしまい始められない。いつから私はこんなに消極的なオッサンになってしまったんだ。
そもそも目標がないと何にも熱量を持って取り組めない性格のようでとにかく何をやっても長続きしないし、一旦目標が生まれるとすべての心力をそれに注ぎ込んでしまうせいで、空白の2〜3時間で取り組めるようなちょうどいいものが見当たらない。
結果、ぼーっとテレビやYouTubeを観ながら寝落ちして朝を迎えている。
残業時間が減り帰宅時間が早まったことは本来なら喜ぶべきことである。
しかし私のように路頭に迷ってしまう哀れな社畜がいることも、どうか知ってほしい。
そして願わくば、2〜3時間で打ち込める何かを教えてください。
教えてくれても難癖つけて始められないと思うけど。
小学生：
(これ以外思い出せん)
中学生：
悲しい予感(吉本ばなな) 模試か何かの試験問題になっていて、何故だか刺さった。小説っていいなと初めて思った。
高校生：
大学生：
グラスホッパー(伊坂幸太郎) 講義室の忘れ物を勝手に読んだ。面白かった。
室井佑月の何か
田口ランディの何か
森博嗣のS&Mシリーズ、四季シリーズ、Gシリーズの一部
人間失格 (太宰治) 見栄を張って、全集借りてきてここだけ読んだ
龍は眠る、レベル7 (宮部みゆき) 嫌いな小説がある、というのを宮部みゆきで初めて経験した。
慟哭(作者思い出せん)
思い出トランプ(同上)
社会人：
伊坂幸太郎の色々(ゴールデンスランバー、モダンタイムス、チルドレン、サブマリン、マイクロスパイアンサンブル、アイネクライネナハトムジーク、砂漠、ラッシュライフ、オーデュボンの祈り)
吉田修一の色々(太陽は眠らない、森は生きている、怒り、悪人、横道世之介、静かな爆弾)
原田マハの色々(楽園のカンヴァス、暗幕のゲルニカ、たゆたえども沈まず、キネマの神様、本日はお日柄もよく)
赤い竪琴 その他色々 (津原ヤスミ) 図書館で赤い装丁の本が気になって手に取ったのがきっかけ
グレッグイーガンの何か ここで薦められた奴
命も要らず、名も要らず(作者思い出せん)
博士の愛した数式(同上)
花戦(同上)
老人と海、武器よさらば(ヘミングウェイ) 上司がなんか言ってたから読んだ奴
サリンジャーの何か(バナナフィッシュ云々が収録されてるヤツ) 漫画のバナナフィッシュを昔読んだのをふと思い出して読んでみた
もっと読んでるはずだけど、なかなか思い出せんな。
漫画とゲームとエロ動画にはもっと時間割いているけど、結構読書家じゃろ？
やはり音楽の叙情詩というものは重要だ。これは残念ながらアメリカからは出てこれないサウンドだろうな、と決めつけてはいけないが、やはりやむを得ない事実ではないかと。まぁ、偏見とも言うのだが（笑）。いや、でもやっぱりヨーロッパならではの伝統的な側面だというのはあるはず。殊に英国の叙情性というものは他のヨーロッパ諸国のモロに露骨な、例えばイタリアのようなものとは異なり大げさにはならない。それでも深くしっとりと染み渡ってくる叙情性なのだ。そんな叙情詩を音にしているバンドの大代表がフロイドだったりするし、キャメルというバンドもその一角だ。
[Mirage]
[Camel]
1974年リリースの二枚目「Mirage」というアルバム。ファーストアルバム「Camel」と音楽的にそれほど変化があるワケじゃなく、センスが磨かれたっていう感じかな。音的なものだけで言えばピーター・バーデンスの鍵盤が全面に出ているのでどっちかっつうとピコピコ系なイメージもあるんだけど、そこはさすがにキャメルの雄であるアンディ・ラティマーのギターが鋭いところでロックファンの心を刺激してくれるのだ。普通に意識しないで聴いているとこの鍵盤とギターの音色の違いを意識しなくなるもん。うん、違うんだけど、多分ラティマーのギターの音がスペイシーでマイルドでおよそギターの感じがしないからでしょ。コードを掻き鳴らして、っていうシーンも多くはないのでかなり特殊かな。
そうだねぇ、このバンドって凄いのはアルバム全体を通してってのもあるけど一曲ごとに情景が目に浮かぶような音を聴かせてくれるってとこかな。別に解説も知識もなくっても音を聴くとなんとなくこんな情景なのかなぁってのが浮かぶ。目を閉じて聴くとしっかりと自分だけのイメージが沸き上がってくるから面白い。このアルバムのコンセプトって何だろな。多分「指輪物語」だと思うけど、それを露骨に明言しないでもリスナーとしてはそういうのをイメージして聴ける。するとまるで映画音楽のように楽しめる。しかしラティマーのギターは面白い。こういうのを歌うギタリスト＝ギターを歌わせることの出来るギタリスト、と呼ぶのだ。しかもバンドアンサンブルが抜群。
この「Mirage」という作品、冒頭から優れた旋律とアンサンブルによって歌が少ないのにもかかわらずアルバムとしての印象が強いものになっているんだけど、一般の例に漏れず、キャメルの世界の最高傑作と呼んでも過言ではないであろう「Lady Fantasy」という稀代の作品を配しているアルバムなのだ。壮大な一大叙情詩が描かれている作品で美しいんだよ、これ。プログレが好きとかキライとかっていうのじゃなくって流れていると心地良くなるサウンドなので聴かない方が損じゃないか？なんて思う。まぁ、こういう雰囲気を望まない時は別に興味ないのだろうけど、ひとつひとつの音が染み渡ってきてねぇ～、良い。ドラマティックな展開ももちろん素晴らしく12分を感じさせない物語♪この延長が後の「The Snow Goose」という素晴らしいコンセプトアルバムに繋がるんだろうな。http://rockcollector.blog31.fc2.com/blog-entry-814.html
（お題はこちらから引きましたhttps://tango-gacha.com/）
今なか卯でさ、いくら丼フェアやってるけど、あれもほかほかご飯なんだよ！
美味しいけどさ！
だから俺はお持ち帰りにして、具だけ使って、家で酢飯を作って食べている。
おすすめだぞ！
https://www.nakau.co.jp/jp/menu/detail/in/4413.html
https://www.nakau.co.jp/jp/menu/detail/in/4461.html
絶対食べるべき！
創作意欲も湧くぞ！
思ってない？
やっぱり美味しいもの食べなきゃ、いいアイデアも浮かばないよ？
あ、クラシックギターね
なんだろう？
なんか金持ちな人が集まってやる、世界的な職業人の奉仕団体みたいだよ
で、ついでにそこで料理も食べさせてもらったんだけど、それが美味しくてさ！
やっぱり美味しいもの食べてるから金持ちなんだなって思ったよ！
（今日の振り返り）
今回はキーワードをうまく使ってかけたと思う。嘘も書いてないし、100点！
自分の音をどう稼ぎに変えるかを専門的に教えてくれそうな学校って、ヴァイオリンとかのクラシック系の楽器向けにはなさそうなのが残念。
エレキやベース、ドラム、キーボードといったポピュラー系の楽器だと、完全プロ志向の専門学校はあるっぽいんだけど。
ちなみにクラシック音楽系専門学校の世界最高峰はジュリアードとかコンセルヴァトワールとか、ああいうのね。
「音大があるじゃないか」というけど、音大はあくまでUniversityであってCollegeではないので、そんな就職予備校まがいのことを求めるのは根本的にお門違い。
実際、ほぼ全ての有名どころの音大はソリスト志向で表現を高めることに特化していて、卒業した後でどう食うかは自分で考えろって立場でしょ。
同時に、卒業生全員がソリストで食えるわけじゃないというか、ほとんどがアンサンブルメンバーや指導者として食いつないでいる現状があると。
このギャップにより、音大は今も昔も数年に一度レベルの天才を除けば「入るまでも少なからず大変、でも出た後はもっと大変」とか「お金持ちのお嬢様の嫁入り道具にしかなってない」とか揶揄されるわけで。
もちろん同窓・同門のつながりで仕事を貰う、人脈という意味で有名な音大を出るメリットは計り知れないと思う。
でも逆に言えばそれくらいしか、音楽で食っていく目的で音大に行くメリットがなさそうなのがなんとも。
あとは芸大の別科か桐朋のソリストディプロマがあるくらいだけど、これはもうガチソリスト志向の中の、本当に上手い人じゃないと入れないので、それ以外の音楽のお仕事に対応しているとは言い難い。
まあ別に音大がUniversityであることを堅持して潰れようが知ったことではないけど、もう少しソリスト志向以外にも対応した、Collegeになるような学校があってもいいのでは？と思ってしまう。
伴奏ピアノとか、オケや室内楽とか、そういう他人との共同作業前提の団体競技はソロとは別の奥深い世界があるというか、それはそれできちんとした教育が必要なわけで。
もしそういう学校でソリストの才能を見出されたとしても、卒業後に音大に中途編入する仕組みがあれば、大きな問題にはならなさそうだし。
・ピアノ
一人で完結できる。とは言えジャンルによって合う合わないがもある。一人で弾いてダサくならないのはクラシックかジャズくらいだし、全くの万能という訳ではない。ボーカル曲をピアノでカバーすると同じ音を叩き続けるのがマヌケ。まあその辺は好み。本当に色々やりたかったらエレクトーンだと思う。
電子ピアノならまあ2,3万もあれば。どうせ違いは分からない。ただケチって鍵盤少ないのとか打鍵がスカスカのやつにすると後になって物足りなくなる。
ヘッドホン挿せばいつでも弾き放題、と思いきや振動が直で床に行くのでその辺は意外と気を遣う。
アップライトなら多分それなり。数十万くらい？グランドピアノはスペース的にも金額的にも富豪しか買えない。あれ引っ越す時どうすんだろ。
当然単音しか出ないので、一人でやってるとたまに虚しい。ほとんど合奏前提だと思う。ジャンルは管楽器の中でトップクラスに多い。オケ、室内楽、ジャズアンサンブル、ビッグバンド、吹奏楽、ブラスバンド。居場所はどこにでもある。
ビッグバンドやブラスバンドなら華があるけど、1st取れないとちょっと退屈かもしれない。でもビッグバンドって2ndがソロやるんだっけ。
吹奏楽でも目立つけど、そもそも他ジャンルの編曲ばっかりでおれはダサいと思ってる。
オケとかは意外と地味。というか暇そう。
肺活量はあんま関係ない気がする。そもそも管楽器で肺活量要るのって息ダダ漏れのフルートくらいだと思う。腹式呼吸がどうのとかよく言われるけど、おれは未だに理解してない。横隔膜がどこにあるのかも分かってない。
生で吹ける場所はないけど、電子ミュート着けられるからそこは便利。
ヤマハの一番安いので確か8万くらいだっけ。中古なら5万くらい？今はもうちょっと値上げしてるかもしれない。トランペット界の高級メーカーのハイエンドモデルでも100万そこらだったと思う。値段のレンジは割と狭い気がする。
Amazonとかのクソ安いやつは音の出る模型とか言われてる。言い過ぎな気もするし、強ち間違ってもいない気がする。
楽器としての最低限の要求をギリギリ満たしてるか満たしてないか微妙な所で、でもトランペットを握りしめて音を出す喜びを一刻も早く味わいたい別に買えばいいと思う。
一人で吹いてる時の虚しさがトランペットより強い気がする。
ジャンルはトランペットに比べるとやや限定的。木管の中では割と広い方かもしれない。
吹奏楽で弦の代わりをやらされてる印象が強い。エリックドルフィーのバスクラリネットはかっこいい。そもそもバスクラリネットが形からしてかっこいい。
金管は音を鳴らすのが、木管は指使いが難しい。みたいな印象があるかもしれないけど、言うほど運指は難解でもない気がする。木管だって音出すだけなら強めに咥えればいいけど、良い音を出すのは難しいし。
音は金管に比べれば控え目だけど、ミュートを使えなち分むしろこっちの方が厄介な気がする。車で吹くかカラオケ行くかになると思う。
リードは中高生には高すぎるけど、大人ならまあ別に……って感じ。プラのリードとかあるし。
これもトランペットと似たような価格帯だと思う。10〜20万を軸に割と狭く固まってる印象。グラナディラかプラかの違いは音聴いても大抵の人が分からないと思う。分かったとして、こだわりたいほどの差かどうかも分からんし。まあ気分の問題だと思う。
これもAmazonで1万ちょいのが売ってて、トランペットとほぼ同じことを思う。ただクラリネットの方が気持ちオモチャ度は高い気がする。
・ギター
一人でやっててもそれなりに楽しい。友達がいないのでバンドをやる楽しさは知らない。きっと楽しいに違いない。
一人でやる分にはYoutubeで好きな曲のタブ譜調べて弾いたり、Uフレットでコード見てヘタクソな歌声で弾き語りしてると楽しい。大体そういう楽しみ方になるのではないか。少し知識をつけて手癖で適当にジャカジャカ鳴らしても気持ち良い。
まあやった事ないから何とも言えんけど、やはりバンドで弾いてナンボではないか。ジャズギターなんかもある。
ガットギターならメロディから伴奏まで一人で完結出来るらしい。でもジャキジャキのロックをやるにはエレキしかない。
そうなるとバッキングとメロディラインを同時にはやれない。ルーパー繋いで自分とセッションすればそれなりに楽しめるけど。ぼっちざろっくだ。
メロディは基本単音弾きで、一人でやってると少し寂しい。一応オクターブ奏法とかもあるけど。
管楽器なら上手かろうが下手だろうが単音しか出せない。出来栄えは違っても上手い人とやってる事は同じだ。対してギターだと、上手い人は一人でなんだか重厚な音を出している。出来栄えを差し置いて真似しようにも、真似すら覚束ない。譜面通りにフレットを抑えられなかったりどう足掻いてもミュートが上手く出来なかったりする。そのフラストレーションはデカい。
かえるのうたを単音で弾いても全く楽しくない。それでも地道に練習して、スタジオでも行ってフルテンでかき鳴らせばヘタクソでも気持ち良い。あの快感は何物にも代え難い。
音作りもエレキギターの醍醐味だ。練習もしない機材厨になる恐怖を抱えつつマルチを買って、色々試してる時はギター始めてから随一の楽しさだった。
ヘッドホン繋げば家でも弾けるし、生音も電子ピアノの振動よりはマシなのではなかろうか。
3万も出せばヤマハのエントリークラスが買える。5万からだ、いや10万だという人もいるけど、どうせ違いなんて分かりゃしないと思う。
1万とかの安物も、管楽器よりオモチャ度合いは低い気がする。他の楽器より手頃な部類だと思う。弦もせいぜい数千円だし、しょっちゅう張り替える訳でもない。まあ周りの機材含めてこだわり始めたら底なしだし、ビンテージ的なのとかはまた話が違うけど。
https://anond.hatelabo.jp/20161107160144
3日まで総集編２本と劇場版1がなんとyoutubeで公開されている。急いでみた方がいい。
リズと青い鳥も時系列的には重要で、こちらはアマプラで見れるから劇場版1の前に見るのがよき。
総集編とはいうが構成も良く、初めて見る人でもあらすじが分かり感動を損なわない作りになっている。
さて会場風景等の素晴らしさを以前感動して書いたのだが、あらためて見直したので演奏面について語りたい。
京アニの日常作画や風景描写、例えば1期の久美子が走るシーンなどはもちろん素晴らしいのだが、吹奏楽経験者としては演奏シーンの凄さを改めて言いたいのだ。
まず前提として「運指が音と合っている」という素晴らしさは感動モノだ。
バンドシーンで描かれるギター1本一場面の描写が正確なことに初めて感動したのはいつのことだったか。あれも京アニだったが、今作では進化どころか別次元に突入した。
55人ものキャラが多種多様な楽器でそれをやっているのはアニメの素人ながら狂気しか感じない。
音程を操る場所が基本4つしかないので同じ指なのに違う音が出ている、という状態になる楽器だ。これはトランペットやチューバなども同様である。
それを肩の動きや息の入れ具合で音程に変化をつけていることを、アニメーションにしていることに感動を覚えるのだ。
吹奏楽、声楽では当然のように言われるが身体は楽器である。そこを描いてこそなのだが、実はこれは実写俳優ですらなかなか再現できていない。
金管以外で、主に指で音を変える木管楽器でもアプローチが鋭い。
「リズと青い鳥」のオーボエ演奏。最初、奏者のみぞれちゃんは固まったまま吹いている。学生演奏あるあるなのでそのままでも問題はないが、彼女が音大を目指すことになったあと演奏がアマチュアを超えるシーンがある。
そこではオーボエ特有の力強い息、と楽器を回すような演奏が描かれる。感情を入れた瞬間を、アテレコ演奏と汗の吹き出しで表現するアニメや実写は多いが、ここまで楽器の特徴を捕えて完璧に表現されると涙が出てくる。
それにオーボエのリードを作るシーンは最高だ。吹奏楽界隈のひとはこのシーンで失神した人が出たとも言う。
さらに、「リズと青い鳥」で苦悩したフルートが確変したオーボエに合せてついていくシーンが劇場版1で描かれる。そのときのフルートの姿勢。実はリズ〜の方では（気にはならなかったが）肘をあげすぎるという改善点があったのだが、劇場版では美しい姿勢で吹いているのだ。
これはフルートあるあるで作画のミスではなく、明らかに、練習した成果が現れているものであり、そんなの誰が気づくかよと思うのだが、こうして経験者は気づくのだ。
ここまで作中であまり取り沙汰されてないパートだが、それだけに見せ場のコンクールシーンで、突然ウィンドマシーンやラチェットと言う管楽器奏者にすら知名度の低い楽器をなげこんでくるから正直草が生える。視聴者混乱する。おそらくウィンドマシーンを正確に描写した初めてのアニメだろう。
インパクト重視パートかと思うと、スティックの動きの正確さに唸る。
鍵盤打楽器の腕の運びも勿論のこと、例えば譜面にはrollとしか記載されてないシーンで奏者は沢山叩く必要があるのだが、曲に合わせある程度の音粒、数を揃えていく必要がある。
初めてみたときはwhat's happened!?だった。細かさで言えば木管楽器演奏を超えている。ティンパニ演奏シーンは鳥肌モノだ。
4日に公開されるアンサンブルコンテスト編。中篇らしいが、どうも噂によると打楽器がフィーチャーされるとかなんとか。もう楽しみでソワソワしている。
引き絵でも滝先生の指揮が正確だとか、語り足りないくらいだが、このへんで終わろうと思う。
とにかく吹奏楽を愛してくれた人たちが作っている作品だと実感する。受け取った愛を返したい。
=============================================
■Sランク（一口目から違いがわかる。感動の名店。存在に感謝）
・s.igarashi(木場)
・ツォップ（松戸）
■Bランク（期待以上。またいきたいお店）
・VIRON（渋谷）
・365日（代々木八幡）
・峰屋（新宿御苑）
・ドゥヌラルテ（青山）
■Cランク（期待通り。求めてた味を提供してくれる。値段に見合った美味しさ）
■Dランク（期待外れ。値段に見合わない。2回目はない）
■s.igarashi(木場)
2020年くらいにできた。福岡から東京に殴り込みに来たっぽい。
当初行列がエグかったが予約制になることにより解消。エスカルゴという巻きデニッシュが名物。1個500円とかするけど、生地もトッピングもうまいので通った
パン自体も美味しいのはもちろんなんだが、フィリング・具材の美味しさが抜群。
■VIRON（渋谷）
美味しい。美味しいが、絶品って感じでももうない。昔はすごく美味しく感じたけど、今は美味しいパン屋さん増えてきていて、埋もれてきた気がする。
うーん。正直美味しいと思わなかったけどな。一応食べログ百名店らしい。
パンってジャンルに分類していいか微妙だけど、まじでやみつきになる。中毒性がやばい。美味すぎ。スイーツ界のラーメン二郎。
パン自体はまぁ普通に美味しいレベルだけど、2階のレストランは最高。
パンのおかわり自由だし、青のりとかきのパスタが本当に美味しい。ちなみに青のりのパン（ゼッポリ）がまじで美味しくて最高。
ゼッポリ自体は1階のパン屋さんゾーンでは販売されてなくて、レストランだけで食べれる。最高。
オリンピックのフランス代表にも提供されたクロワッサンらしい。すごいよね。本場の人たちが認めたクロワッサンってことでしょう。つまり世界最高レベルのクロワッサンを食べれたってこと。
で、食べた感想としては、層がものすごい存在感あるし、サクサクで歯ざわり最高。バターの香りもすごくして美味しい。素晴らしい。
けど、1個300円ってちょい高い。割と小さ目なサイズだし。でも、美味しい。すごく美味しいから妥当な価格な気がするなぁー。
あ、もちろんレザンも美味しいです。
GW中の13時くらいに伺ったが、割と空いてて良かった。じっくり選べた。
価格：
・クロワッサン：295円
・パンオレザン：300円
サワムラが運営している店。美味しいけど、全部高い！！1つ400～700円くらいする。やりすぎ。
美味しいけどね。
クロワッサン食べたけども、値段高すぎ。美味しさと値段が見合ってない。
今まで食べたクロワッサンの中で一番美味しいかも。（いや、最近食べた鎌倉のアンサンブルってお店の方が美味しいかもしれないが）
ちなみに、モンブランも食べたけど、軽すぎでした。まぁケーキはケーキ屋で食べるのが吉
門前仲町本店はいつも並んでる。広尾で2度くらい利用。地下鉄の階段上るときめっちゃいいにおいする。ただ、そんなにうまいか？高いし。トリュフのパンというブランディングがうまくいった例だと思う
■ツォップ（松戸）
マジでうまいがマジで並ぶ。車でしかいけない。一度の会計で5,000円以上買ったのここくらいかも。なんでもうまい
山の上にある。神奈川のツォップだと思ってる
■空と麦と（代官山）
■365日（代々木八幡）
めちゃ美味しい。玉ねぎとゴルゴンゾーラのパン、ブリオッシュ、レザンを購入。
ブリオッシュは凄い！なんかよくわからないけどすごく美味しい。
最後に食べてから10年くらい経ってるけど、本当に美味しかった記憶。食事パンの種類が豊富で生地の風味が楽しめる
内装は凝ってて面白い。ただ座席が窮屈。パンは美味しいかなぁ？わからないなぁ。
パンの展示の方法はお洒落で良い！(日光当たりまくってるけどいいのかな？)
ランチセットのグラタンみたいなの頼んだけど、チーズの酸味が強すぎたかなぁ。好みじゃないかもです。
自分で作った方が沢山作れるし、そこそこの美味しさだけど、沢山あることの満足感は、トータルで負けないと思うな。スコーンは焼きたてには勝てん。
価格：
第一印象としては、かなり具材の香りが強い。パンの香り、味がちょっと負けてるように感じた。もう少し小麦を感じたかったかな。まぁそういうパンを選べよってだけだけど。
紅茶もオリーブも選ばれたものなのだろうなぁと思う。だってここまで味濃いのだから。
価格はちょい高いけど、納得感はある。
GWの午後のタイミングで伺ったが、結構パンの種類もあって、ゆっくり選べてすごい良かった。
コンプレ（全粒粉を使ったパンのことをコンプレというらしい）が美味しかった。
クレイジーリッチ食パンは、まぁ、美味しかったが、美味しかったが、高いと思ったね。やっぱり普段食べてるものと比較できちゃうと高いなぁーと感じるのだろうな。（いつも家でホームベーカリーで食パン焼いてるからそれと比べちゃう…。）
GWに伺ったが、店内空いていて、じっくりとパンを選べた。嬉しいねぇ。
■les joues de BeBe（目黒）
bebeパンが甘い系パンだと思ったら、チーズ系のパンだった。
美味しかったけど、選択ミスった。（2種類ともチーズ系になっちゃった）
店内おしゃれだった。外にもベンチがあるの良い。
ショップリスト｜株式会社ジリオン (bistro-jill.com)
お店が洒落てる。美味しい。おススメ。
■PUBLIC（岡山）
美味しかったなぁー。素晴らしい。都会的な美味しさ。洗練されてる。
■讃岐うどん やなぎ屋 西大浜店
美味しかったー！！
まぁ何って、うどんっていうより、天ぷら・おにぎり・ポテサラ等など、サイドメニューが最高です！
まぁまぁくらい。
美味しい！フロランタンは、今までで一番かも。サンドウィッチに関しては、まぁパンというか、中身の味によるよね。ブルーチーズとくるみと蜂蜜のパンは、持った感じすぐわかるくらい重たかった。ボリューム凄い。
味は人を選ぶかもしれない。結論としては、かなり美味しいパン屋さん
まぁ安いけど…。ここでしか食べられないって感じでもないなぁ。ちなみに木場のヨーカドーでも買えます。
いやぁー。そこまでって感じ。
うーん。普通やなぁーって感じ。
小さなお店で品ぞろえはあまり多くなく、シンプルなパンが多いがうまい。店名を関したアリエッタがうまい
■ヒンメル（大岡山）
ドイツパンのお店。プレッツェルとかカイザー、配合比率の異なるライ麦パン各種などドイツパンが種類豊富。メトロの目黒駅に分店があったのに、コロナで消えてしまって残念
カレーパンが有名な店。カレーパンはおいしいけど、他は街のそこらのベーカリーと大差ない
■峰屋（新宿御苑）
有名バーガーショップにバンズを卸している店。シンプルなパンがうまい。クレセント
品川のエキュートならここがうまい。ハード系や食事パンがちゃんとおいしい大人向け。表参道にもある
本店は三宿にあるらしい。クリームパン推しで確かにおいしい。ただラインナップはやや子供向け感ある。街のパン屋の上位互換。
■満（曙橋）
パンドミがうまい。カフェスペースがある。駅から離れているので空いていてゆったりできる
宮益坂の根本から新宿駅南口に移ったと思ったらいま青山にあるのか？ベイクルーズ運営のベーカリー。映えよくそこそこうまい。宮益坂時代はカフェ・新宿時代はイートインスペース併設でカフェ利用にも便利だった
店主が販売もしているワンオペの小さい店。もちもち系。ブリオッシュよく買ってた。うまい。
■ドゥヌラルテ（青山）
伊勢丹の地下にあったころよく使ってた。ブリオッシュと小さい角食パンとか。黄色×青の紙袋がかわいく手土産にも
10年以上前バイトしてた。クリームパンとチョコチップパンがうまいよ
街のパンやでは健闘している。デニッシュブレッドがおいしかった
店が小さいのもあっていつも並んでる。食パンや豆など練りこんだハードパンがおいしい。おしゃれな感じ
テレビとかで行列って言われてるみたいだけど並んでるの見たことない。1,000円くらいででっかいデニッシュ食パンを売ってる。子ども向けの油と砂糖味。木場のヨーカドーでも買える
一見街のパン屋なんだけどハードパンがめちゃうまい。もっちり系。デニッシュ系はあっさりめ。1日5～6個しか出ない（てか多分全種類朝1回しか焼かない）ライ麦入りのミッシュブロートってハードパンがめちゃうまくてオープンから1時間以内に行って買い求めてた
完全予約制パン屋。高加水。知る限り一番もちもち度が高い。うまいけど、そこまでもちもちしたらもはや餅。ハマらなかった
五反田勤務時よく朝食を買っていた。JR運営かな？サンドイッチやフルーツデニッシュがしゃれていてうまい 生地は普通
=====================================================
東京には普段使いされるパン屋と、訪問というイベント使いされるパン屋（トリュフベーカリーとか）が別々にある気がする 後者は単価が高い
https://arxiv.org/pdf/2304.10466.pdf
試行錯誤によって方針を学習する深層強化学習アルゴリズムは、環境と積極的に相互作用することによって収集された限られた量のデータから学習しなければならない。多くの先行研究が、データ効率の良いRLを実現するためには適切な正則化技術が重要であることを示していますが、データ効率の良いRLにおけるボトルネックの一般的な理解は不明なままでした。その結果、すべての領域でうまく機能する普遍的な技術を考案することは困難であった。
本論文では、非定常性、過剰な行動分布シフト、オーバーフィッティングなどのいくつかの潜在的な仮説を検討することにより、サンプル効率的な深層RLの主要なボトルネックを理解することを試みている。
強化学習ってよく知らない
我々は、状態ベースのDeepMind control suite（DMC）タスクについて、制御された体系的な方法で徹底的な実証分析を行い、遷移の検証セットにおける高い時間差（TD）誤差が、深いRLアルゴリズムの性能に深刻な影響を与える主犯であり、良い性能をもたらす先行手法は、実際、検証TD誤差を低く制御することを示した。この観察から、ディープRLを効率化するための強固な原理が得られる。すなわち、教師あり学習の正則化技術を利用することで、検証TD誤差をヒルクライムできる。
誤差を減らすのがDeepLearningだけど、それが時間差なのか。
我々は、検証TD誤差をターゲットとするシンプルなオンラインモデル選択法が、状態ベースのDMCとGymタスクにおいて効果的であることを示す。
1 はじめに
強化学習（RL）法は、大容量の深層ニューラルネット関数近似器と組み合わせた場合、ロボット操作などのドメインで有望視されている（Andrychowicz et al、
2020）、チップ配置（Mirhoseini et al.、2020）、ゲーム（Silver et al.、2016）、データセンターの冷却（Lazic et al.、2018）。アクティブなオンラインデータ収集の単位ごとに費用が発生するため（例．
実際のロボットを動かす、シミュレーションによるチップ評価など）、限られた経験量でも効率的に学習できる、サンプル効率の良い深層RLアルゴリズムを開発することが重要である。このような効率的なRLアルゴリズムの考案が、近年の重要な研究課題となっています（Janner et al、
2019; Chen et al., 2021; Hiraoka et al., 2021)。
原理的には、オフポリシーRL法（例えば、SAC (Haarnoja et al., 2018), TD3 (Fujimoto et al., 2018), Rainbow (Hessel et al., 2018)）は、データ収集のステップごとに多くの勾配ステップのポリシーと値関数を改善することを可能にするため、良いサンプル効率が得られるはずです。しかし、このメリットは実際には実現できないようで、1回の学習ステップを多く取りすぎることでを収集した各遷移は、多くの環境において実際にパフォーマンスを害する。過大評価（Thrun & Schwartz, 1993; Fujimoto et al., 2018）といったいくつかの仮説、非定常性（Lyle ら、2022）、またはオーバーフィッティング（Nikishinら、2022）が根本的な原因として提案されている。
これらの仮説に基づき、より多くの勾配ステップを持つオフポリシーRLを可能にする方法として、モデルベースのデータ増強（Jannerら、2019）、アンサンブルの使用（Chenら、2021）、ネットワークの正則化（Hiraokaら、2021）、再生バッファを維持しながらRLエージェントをゼロから定期的にリセット（Nikishinら、2022）などのいくつかの緩和戦略が提案されている。これらのアプローチはそれぞれサンプル効率を大幅に向上させるが、これらの修正の有効性は（これから示すように）タスクに大きく依存する可能性があり、根本的な問題やこれらの手法の挙動を理解することはまだ未解決である。
ICLR 2023で会議論文として発表 本論文では、より多くの勾配ステップを取ることが深層RLアルゴリズムの性能悪化につながる理由、ヒューリスティック戦略が役立つ場合がある理由、そしてこの課題をより原理的かつ直接的な方法で軽減する方法を理解しようとするものである。
最近提案されたタンデム学習パラダイム(Ostrovski et al., 2021)を用いた実証分析を通じて、TD学習アルゴリズムは、学習の初期段階において、すぐに高い検証時間差(TD)誤差(すなわち、保留した検証セットにおけるQ-ネットワークとブートストラップターゲットの間の誤差)を得る傾向にあり、悪い最終解をもたらすことを明らかにする。
このホワイト ペーパーでは、深い RL アルゴリズムで勾配ステップを増やすとパフォーマンスが低下する理由、場合によってはヒューリスティック戦略が役立つ理由、およびこの課題をより原則的かつ直接的な方法で軽減する方法を理解しようとします。 最近提案されたタンデム学習パラダイム (Ostrovski et al., 2021) を使用した実証分析を通じて、トレーニングの初期段階で、TD 学習アルゴリズムが高い検証時間差を迅速に取得する傾向があることを示します。
(TD) エラー (つまり、保留された検証セットでの Q ネットワークとブートストラップ ターゲットとの間のエラー) が発生し、最終的なソリューションが悪化します。 さらに、データ効率の高い RL 設定のために考案された多くの既存の方法が、検証 TD エラーを低く制御する限り有効であることを示します。
この洞察は、深い RL を効率的にするための堅牢な原則を提供します。データ効率を向上させるために、検証 TD エラーを山登りすることによって、特定の問題に最も適した正則化を選択するだけです。
この原則は、オンラインRLトレーニングの過程で特定のタスクに最適な正則化戦略を自動的に発見しようとする単純なオンラインモデル選択方法の形で実現され、これを検証TDエラーを使用した自動モデル選択(AVTD)と呼びます。
AVTD は、各エージェントが異なる正則化を適用する共有リプレイ バッファーで、いくつかのオフポリシー RL エージェントをトレーニングします。 次に、AVTD は、環境内で動作するための検証 TD エラーが最小のエージェントを動的に選択します。
この単純な戦略だけでも、多くの場合、さまざまな Gym および DeepMind コントロール スイート (DMC) タスクで個々の正則化スキームと同様のパフォーマンスを発揮するか、それを上回ることがわかります。 重要なのは、パフォーマンスがドメイン間で大幅に異なる可能性がある以前の正則化方法とは異なり、私たちのアプローチはすべてのドメインで堅牢に動作することに注意してください。
要約すると、私たちの最初の貢献は、サンプル効率の高いディープ RL のボトルネックの実証分析です。 これらの課題の背後にあるいくつかの潜在的な説明を厳密に評価し、トレーニングの初期段階で高い検証 TD エラーを取得することが、データ効率の高いディープ RL のパフォーマンスを阻害する最大の原因の 1 つであることを観察します。 私たちの 2 番目の貢献は、単純なアクティブ モデル選択法 (AVTD) です。これは、検証 TD エラーの山登りによって正則化スキームを自動的に選択しようとします。 多くの場合、私たちの方法は、さまざまな Gym および DMC タスクで、最適な個々の正則化スキームに匹敵するか、それを上回ります。
管弦楽編成の楽器が使われてたら取り敢えずクラシックて呼びやがる。バロックもロマンも、アンサンブルも管弦楽もオペラも全部クラシックで一括り。
ジョンウィリアムスもマンシーニもモリコーネも久石譲も素晴らしいBGMを書くけど、それはあくまでムード。映画の一要素であって、それ単体で主題を完結させる音楽作品とは異質なもの。
とは言っても、エヴァ旧劇はバッハの引用なくしてあのムードは成立しないと思うし、ツァラトゥストラを2001年宇宙の旅で知ったという人も少なさそう。
ストラヴィンスキー辺りからの近代音楽は、まあクラシックの範疇にあるんだろう。でも、「クラシック音楽家」のショスタコーヴィッチは映画音楽も書いてたりもする。
ジョプリンは他の何物でもなくラグタイムと呼ぶのが相応しいけど、「クラシック」と言えなくもない？ガーシュインはどうだろう？
ともあれ、何でもかんでもクラシックと呼ぶのはやめて頂きたい。
シュレーディンガーはアインシュタインに宛てて、量子力学のコペンハーゲン解釈の重大な欠陥を明らかにするために、架空の実験装置を作った。この解釈では、量子系は外部の観測者と相互作用するまで、2つ以上の状態の重ね合わせに留まるとされる[1]。
この効果を、原子というミクロな世界の特殊性として片付けることはできるかもしれないが、その世界が、テーブルや椅子、猫といったマクロな日常世界に直接影響を及ぼすとしたらどうだろうか。シュレーディンガーの思考実験は、それを明らかにすることで、量子力学のコペンハーゲン解釈の不条理を明らかにしようとした。 粒子が重ね合わされた状態にあることは、一つの事実だ。しかし猫はどうだろう。猫はどちらか一方にしか属さないし、死んだり生きていたりもしない。
ガイガーカウンターの中に、ほんの少しの放射性物質が入っていて、1時間のうちに原子の1つが崩壊するかもしれないが、同じ確率で1つも崩壊しないかもしれない。このシステム全体を1時間放置しておくと、その間、原子が崩壊していなければ、猫はまだ生きていると言うだろう。システム全体のΨ関数(波動関数)は、その中に生きている猫と死んだ猫(表現は悪いが)が等しく混ざり合っていることで、このことを表現している。
この思考実験の意味合いについては、多くの現代的な解釈や読み方がある。あるものは、量子力学によって混乱した世界に秩序を取り戻そうとするものである。また、複数の宇宙で複数の猫が生まれると考えるものもあり、「重ね合わせられた猫」がむしろ平凡に見えてくるかもしれない。
通常の話では、波動関数は箱入りのネコを記述する。QBismでは、箱を開けたら何が起こるかについてのエージェントの信念を記述する。
例えば、Aさんがギャンブラーだとしよう。ネコの生死を賭けたいが、量子波動関数が最も正確な確率を与えてくれることを知っている。しかし、世の中には波動関数のラベルがない。自分で書き留めなければならない。自由に使えるのは、Aさん自身の過去の行動とその結果だけである。なので結果として得られる波動関数は、独立した現実を反映したものではない。世界がAさんにどう反応したかという個人的な歴史なのだ。
今、Aさんは箱を開けた。死んだ猫、あるいは生きている猫を体験する。いずれにせよ、Aさんは自分の信念を更新し、将来の出会いに期待するようになる。他の人が不思議な「波動関数の崩壊」と呼ぶものは、QBistにとっては、エージェントが自分の 賭けに手を加えることなのだ。
重ね合わせを形成するのはエージェントの信念であり、その信念の構造から猫について何かわかる。なぜなら、波動関数は、エージェントが箱に対して取り得るすべての行動（相互に排他的な行動も含む）に関する信念をコード化しており、Aさんの信念が互いに矛盾しない唯一の方法は、測定されていない猫に固有の状態が全く存在しない場合だからである。
QBistの話の教訓は，ジョン・ホイーラーの言葉を借りれば参加型宇宙であるということである。
2. ボーミアンについて
量子力学のコペンハーゲン解釈によれば、電子のような量子粒子は、人が見るまで、つまり適切な「測定」を行うまで、その位置を持たない。シュレーディンガーは、もしコペンハーゲン解釈が正しいとするならば、電子に当てはまることは、より大きな物体、特に猫にも当てはまることを示した：猫を見るまでは、猫は死んでいないし生きていない、という状況を作り出すことができる。
ここで、いくつかの疑問が生じる。なぜ、「見る」ことがそんなに重要なのか？
量子力学には、ボーム力学というシンプルでわかりやすい版があり、そこでは、量子粒子は常に位置を持っている。 猫や猫の状態についても同様だ。
なぜ物理学者たちは、シュレーディンガーの猫のような奇妙でありえないものにこだわったのだろうか？それは、物理学者たちが、波動関数による系の量子的な記述が、その系の完全な記述に違いないと思い込んでいたからである。このようなことは、最初からあり得ないことだと思われていた。粒子系の完全な記述には、粒子の位置も含まれるに違いないと考えたのである。 もし、そのように主張するならば、ボーミアン・メカニクスにすぐに到達する。
シュレーディンガーの猫の本当の意味は、実在論とは何の関係もないと思う人もいる。それは、知識の可能性と関係があるのだ。問題は、量子世界が非現実的であることではなく、量子系を知識の対象として安定化できないことである。
通常の知識の論理では、私たちの質問とは無関係に、知るべき対象がそこに存在することが前提になる。しかし、量子の場合、この前提が成り立たない。量子力学的なシステムに対して、測定という形で問いを投げかけると、得られる答えに干渉してしまう。
これらの本質的な特徴は「反実仮想」であり、何があるかないか（現実）ではなく、何が可能か不可能かについてである。実際、量子論の全体は反実仮想の上に成り立っている。反実仮想の性質は、量子論の運動法則よりも一般的であり、より深い構造を明らかにするものだからだ。
量子論の後継者は、運動法則は根本的に異なるかもしれないが、反実仮想の性質を示すことで、重ね合わせやエンタングルメント、さらには新しい現象が可能になるだろう。
シュレーディンガーは、仮想的な猫の実験で何を言いたかったのだろうか？現在では、シュレーディンガーは、量子論は、猫が死んでも生きてもいない浮遊状態にある物理的可能性を示唆していると主張したと一般に言われている。しかし、それは正反対である。シュレーディンガーは、そのようなことは明らかに不合理であり、そのような結果をもたらす量子論を理解しようとする試みは拒否されるべきであると考えたのである。
シュレーディンガーは、量子力学の波動関数は、個々のシステムの完全な物理的記述を提供することはできないと主張したアインシュタイン-ポドロスキー-ローゼンの論文に反発していたのである。EPRは、遠く離れた実験結果の相関関係や「spooky-a-distance（不気味な作用）」に着目して、その結論を導き出したのである。
シュレーディンガーは、2つの前提条件と距離効果とは無関係に、同じような結論に到達している。彼は、もし1）波動関数が完全な物理的記述を提供し、2）それが「測定」が行われるまで常に彼自身（シュレーディンガー）の方程式によって進化するなら、猫はそのような状態に陥る可能性があるが、それは明らかに不合理であることを示したのだ。したがって、ジョン・ベルの言葉を借りれば、「シュレーディンガー方程式によって与えられる波動関数がすべてではないか、あるいは、それが正しくないかのどちらか」なのである。
もし、その波動関数がすべてでないなら、いわゆる「隠れた変数」を仮定しなければならない（隠れていない方が良いのだが）。もし、それが正しくないのであれば、波動関数の「客観的崩壊」が存在することになる。以上が、Schrödingerが認識していた量子力学的形式を理解するための2つのアプローチである。いわゆる「多世界」解釈は、1も2も否定せずにやり過ごそうとして、結局はシュレーディンガーが馬鹿にしていた結論に直面することになる。
シュレーディンガーの例は、量子システムの不確定性をミクロの領域に閉じ込めることができないことを示した。ミクロな系の不確定性とマクロな系の不確定性を猫のように絡ませることが考えられるので、量子力学はミクロな系と同様にマクロな系にも不確定性を含意している。
問題は、この不確定性を形而上学的（世界における）に解釈するか、それとも単に認識論的（我々が知っていることにおける）に解釈するかということである。シュレーディンガーは、「手ぶれやピンボケの写真と、雲や霧のスナップショットとは違う」と指摘し、量子不確定性の解釈はどちらも問題であるとした。量子もつれは、このように二律背反の関係にある。
ベルが彼の定理を実験的に検証する前、量子力学の技術が発展し、もつれ状態の実在性を利用し、巨視的なもつれシステムを作り出す技術が開発される前、形而上学的な雲のオプションはテーブルから外されるのが妥当であった。しかし、もしもつれが実在するならば、それに対する形而上学的な解釈が必要である。
波動関数実在論とは、量子系を波動関数、つまり、死んだ猫に対応する領域と生きた猫に対応する領域で振幅を持つように進化しうる場と見なす解釈のアプローチである。シュレーディンガーが知っていたように、このアプローチを真面目に実行すると、これらの場が広がる背景空間は、量子波動関数の自由度を収容できる超高次元空間となる。
6. 超決定論について
不変集合論（IST）は、エネルギーの離散的性質に関するプランクの洞察を、今度は量子力学の状態空間に再適用することによって導き出された量子物理学のモデルである。ISTでは、量子力学の連続体ヒルベルト空間が、ある種の離散的な格子に置き換えられる。この格子には、実験者が量子系に対して測定を行ったかもしれないが、実際には行わなかったという反実仮想の世界が存在し、このような反実仮想の世界は格子の構造と矛盾している。このように、ISTは形式的には「超決定論」であり、実験者が行う測定は、測定する粒子から独立しているわけではない。
ISTでは、ISTの格子上にある状態は、世界のアンサンブルに対応し、各世界は状態空間の特別な部分集合上で進化する決定論的系である。非線形力学系理論に基づき、この部分集合は「不変集合」と呼ばれる。格子の隙間にある反実仮想世界は、不変集合上には存在しない。
アインシュタインは、量子波動関数は、不気味な距離作用や不確定性を持たない世界のアンサンブルを記述していると考えていたが、これは実現可能である。 特に、シュレーディンガーの猫は、死んでいるか生きているかのどちらかであり、両方ではないのだ。
シュレーディンガーの猫の寓話に混乱をもたらしたのは、物理システムが非関係的な性質を持つという形而上学的仮定である。 もし全ての性質が関係的であるならば、見かけ上のパラドックスは解消されるかもしれない。
猫に関しては、毒が出るか出ないか、猫自身が生きているか死んでいるかである。 しかし、この現象は箱の外にある物理系には関係ない。
箱の外の物理系に対しては、猫が起きていても眠っていても、猫との相互作用がなければその性質は実現されず、箱と外部系との将来の相互作用には、原理的に、猫がその系に対して確実に起きていたり確実に眠っていたりした場合には不可能だった干渉作用が含まれる可能性があるからだ。
つまり「波動関数の崩壊」は、猫が毒と相互作用することによって、ある性質が実現されることを表し、「ユニタリー進化」は、外部システムに対する性質の実現確率の進化を表すのである。 これが、量子論の関係論的解釈における「見かけのパラドックス」の解決策とされる。
8. 多世界
物理学者たちは古典物理学では観測された現象を説明できないことに気づき、量子論の現象論的法則が発見された。 しかし、量子力学が科学的理論として受け入れられるようになったのは、シュレーディンガーが方程式を考案してからである。
シュレーディンガーは、自分の方程式を放射性崩壊の検出などの量子測定の解析に適用すると、生きている猫と死んでいる猫の両方が存在するような、複数の結果が並列に存在することになることに気づいた。実はこの状況は、よく言われるように2匹の猫が並列に存在するのではなく、生きている1匹の猫と、異なる時期に死んだ多数の猫が並列に存在することに相当する。
このことは、シュレーディンガーにとって重大な問題であり、量子測定中に量子状態が崩壊することによって、量子系の進化を記述する方程式としての普遍的な有効性が失われることを、彼は不本意ながら受け入れた。崩壊は、そのランダム性と遠方での作用から、受け入れてはならないのだろうか。その代わりに、パラレルワールドの存在が示されれる。これこそが、非局所的な作用を回避し、自然界における決定論を守る一つの可能性である。
